Hybrid lexical-semantic retrieval over SNOMED CT: combining two retrieval paradigms to facilitate clinical data entry

Dans les dossiers numériques des hôpitaux modernes, chaque symptôme, diagnostic et procédure est traduit en un code universel. Ce système, connu sous le nom de SNOMED CT, agit comme un dictionnaire médical massif et méticuleusement organisé, garantissant qu'un médecin dans un pays et un chercheur dans un autre parlent la même langue lorsqu'ils discutent d'une maladie spécifique. Cependant, les personnes qui utilisent ce système quotidiennement — médecins, infirmiers et autres cliniciens — ne s'expriment pas avec des définitions de dictionnaire parfaites. Ils saisissent des fragments, des abréviations et du jargon, mélangeant souvent les langues ou décrivant des conditions d'une manière qui leur semble naturelle, mais qui ne ressemble en rien aux termes officiels. Le défi a longtemps été de combler ce fossé : comment permettre à un clinicien de taper une note rapide et désordonnée comme « heart attack » ou « inf myo » et faire en sorte que l'ordinateur trouve instantanément le concept médical précis et formel, sans forcer l'utilisateur à apprendre le vocabulaire exact ou à construire une liste distincte et personnalisée pour chaque façon possible dont un médecin pourrait décrire une condition.

Une équipe de chercheurs de SNOMED International a proposé une nouvelle façon de résoudre ce problème en combinant deux méthodes de recherche très différentes en une expérience unique et fluide. Au lieu de choisir entre une recherche rigide, lettre par lettre, ou une recherche flexible, basée sur le sens, ils ont construit un système qui utilise les deux simultanément. Leur travail démontre que ces deux technologies opposées peuvent fonctionner ensemble sans se gêner mutuellement. Lors de leurs tests, le système a réussi à faire correspondre des notes médicales réelles et désordonnées aux codes officiels corrects environ 60 % du temps dès la première tentative, et il a placé la bonne réponse parmi les dix meilleures options dans 80 % des cas. Crucialement, ils ont constaté que l'ajout de la recherche flexible, basée sur le sens, n'a pas ruiné la précision de la recherche stricte, basée sur les lettres ; au contraire, les deux méthodes ont couvert les lacunes de l'autre, créant un outil plus robuste pour la saisie de données cliniques.

Le cœur du problème réside dans le décalage entre le langage humain et la logique informatique. Lorsqu'un médecin saisit une requête, il peut entrer une phrase complète, un mot partiel ou une abréviation cryptique. Un moteur de recherche traditionnel qui recherche des correspondances de lettres exactes est rapide et précis, mais échoue complètement si l'orthographe de l'utilisateur est légèrement erronée ou s'il utilise une langue différente. D'un autre côté, les nouveaux outils d'intelligence artificielle peuvent comprendre le sens derrière les mots, reconnaissant que « water on the knee » fait référence à une condition médicale spécifique même si les mots ne partagent aucune lettre avec le terme officiel. Cependant, ces outils basés sur le sens peinent souvent avec les fragments courts ou les abréviations, et ils peuvent parfois être confus par la grande variété de l'expression humaine. Pendant des années, la solution à ce dilemme consistait à embaucher des experts pour créer manuellement de longues listes de toutes les manières possibles dont un médecin pourrait décrire une condition, un processus lent, coûteux et difficile à tenir à jour à mesure que les connaissances médicales évoluent.

Les chercheurs se sont demandé s'il était possible de sauter l'étape de la création manuelle de listes et de laisser plutôt l'ordinateur trouver la connexion à la volée, en utilisant une approche hybride. Ils ont construit un prototype de système qui exécute deux recherches simultanément. La première recherche est un moteur déterministe strict qui recherche les lettres spécifiques saisies par l'utilisateur, quel que soit l'ordre. Si un médecin tape « myo inf », ce moteur sait chercher des mots commençant par ces lettres, comme « myocardial infarction ». Simultanément, un second moteur « appris » examine le sens global de la saisie, utilisant une vaste base de données de concepts médicaux pour trouver des correspondances basées sur la similitude plutôt que sur l'orthographe. Le système fusionne ensuite les résultats des deux recherches. Pour s'assurer que la recherche la plus faible pour une requête spécifique n'étouffe pas la plus forte, une étape finale réévalue la liste combinée, en promouvant la réponse la plus pertinente en tête et en repoussant les correspondances non pertinentes vers le bas.

Pour tester si cette idée fonctionnait dans le monde réel, l'équipe a évalué son système en utilisant deux ensembles de données différents. Le premier était une collection de rapports de cas médicaux espagnols, où l'objectif était de voir si le système pouvait prendre un nom de maladie en espagnol et trouver le code médical anglais correct. Le second était un ensemble massif de dossiers de santé électroniques réels provenant des États-Unis, contenant des milliers de comptes rendus de sortie écrits par des médecins en anglais. Ces dossiers étaient désordonnés, remplis d'abréviations et de jargon courants dans la pratique quotidienne mais difficiles à interpréter pour les ordinateurs. Les chercheurs ont mesuré la fréquence à laquelle le système pouvait placer le code médical correct tout en haut de la liste, ou du moins parmi les dix premières options que l'utilisateur verrait sur son écran.

Les résultats ont montré que l'approche hybride était très efficace. Sur l'ensemble de données espagnol, le système a trouvé le code exact comme premier résultat pour 60 % des mentions de maladies. En regardant les dix premiers résultats, le code correct était présent 80 % du temps. Cette performance a été réalisée sans aucun entraînement manuel sur les termes espagnols spécifiques ; le système a simplement utilisé sa compréhension des concepts médicaux pour combler le fossé linguistique. Les chercheurs ont également découvert que les deux méthodes de recherche étaient effectivement complémentaires. Le moteur de correspondance de lettres strict excellait dans la gestion des entrées courtes ou partielles comme les abréviations, tandis que le moteur basé sur le sens était meilleur pour gérer les phrases complètes et les langues différentes. Une fois combinés, le système était plus fort que chaque méthode prise isolément, et la présence de la seconde méthode n'a pas dégradé la performance de la première.

Une découverte clé a été que le système n'avait pas besoin de savoir à l'avance quel type de recherche fonctionnerait le mieux pour une requête spécifique. Par le passé, les développeurs auraient pu essayer de deviner si un utilisateur tapait une phrase complète ou quelques lettres et router la recherche en conséquence. Ce nouveau système exécute simplement les deux chemins et laisse l'étape finale de reclassement décider quelle est la meilleure réponse. Cette conception rend le système robuste face à la nature imprévisible de la saisie humaine. Cependant, les chercheurs ont également noté que le système n'est pas parfait. Il a eu des difficultés avec les abréviations extrêmement denses et ambiguës qui dépendent fortement du contexte, comme une suite de lettres qui pourrait signifier plusieurs choses différentes selon le texte environnant. Dans ces cas difficiles, le système avait parfois besoin d'un second regard, utilisant le texte environnant de la note médicale pour clarifier le sens, ce qui a considérablement amélioré son taux de réussite pour ces requêtes spécifiques complexes.

L'étude a également mis en évidence un changement dans la manière dont les systèmes de terminologie médicale pourraient être maintenus à l'avenir. Actuellement, les hôpitaux consacrent souvent des ressources importantes à la création et à la mise à jour de leurs propres listes personnalisées de termes pour aider les médecins à trouver les bons codes. Les chercheurs suggèrent que cette méthode de recherche hybride pourrait réduire le besoin de telles listes manuelles extensives. En s'appuyant sur le dictionnaire médical officiel et en laissant l'ordinateur gérer les variations de langue et d'orthographe, les hôpitaux pourraient concentrer leurs efforts sur la gouvernance du système et la validation des résultats plutôt que sur la rédaction manuelle de milliers de synonymes. Cela n'élimine pas la nécessité de maintenance, mais cela change la nature du travail, passant de la rédaction de nouveaux termes à la gestion des outils qui les trouvent.

Les chercheurs ont pris soin de noter que leurs conclusions sont basées sur une configuration spécifique de logiciels et de modèles, et que le système n'est pas encore prêt pour une utilisation dans un environnement hospitalier réel sans tests supplémentaires. Ils ont souligné que, bien que le système ait bien performé sur les données de test, l'utilisation clinique réelle implique des enjeux plus élevés et des scénarios plus complexes. L'étude sert de preuve de concept, démontant qu'il est techniquement faisable de combiner ces deux technologies de recherche opposées en un flux de travail unique, sûr et efficace. Elle offre une voie d'avenir où la précision de la saisie de données stricte et la flexibilité du langage humain peuvent coexister, rendant potentiellement plus facile pour les cliniciens d'enregistrer les informations des patients avec précision sans être freinés par les exigences rigides d'un système informatique.

En fin de compte, ce travail suggère que l'avenir de la saisie de données cliniques ne nécessitera pas que les médecins changent leur façon de parler ou d'écrire, ni que les hôpitaux construisent des dictionnaires personnalisés massifs. Au contraire, cela pointe vers un système qui comprend à la fois les lettres exactes saisies et l'intention derrière elles, fusionnant ces deux perspectives pour trouver la bonne réponse. En prouvant que ces deux manières différentes de rechercher peuvent fonctionner ensemble sans s'annuler, les chercheurs ont ouvert la porte à des façons plus intuitives et efficaces de connecter la connaissance médicale humaine aux données structurées qui alimentent la médecine moderne.